프로그램 슬라이싱과 논리 삭제로 강화된 LLM 기반 사양 생성

초록

SLD‑Spec은 프로그램 슬라이싱으로 함수·루프를 작은 조각으로 나눈 뒤, LLM을 이용해 각 조각에 대한 형식 사양을 생성하고, 논리 삭제 단계에서 LLM이 논리적 일관성을 판단해 올바른 사양만 남긴다. 이를 통해 복잡한 제어 흐름에서도 사양의 관련성·완전성이 크게 향상되고, 검증 성공률이 기존 AutoSpec·SpecGen보다 현저히 높아졌다.

상세 분석

SLD‑Spec은 기존 LLM‑기반 사양 생성 파이프라인의 두 가지 근본적인 약점을 정확히 겨냥한다. 첫 번째는 복잡한 제어 흐름을 가진 함수 전체를 한 번에 LLM에 전달하면, 모델이 서브구조의 스코프를 구분하지 못해 불필요하거나 잘못된 사양을 생성한다는 점이다. 이를 해결하기 위해 SLD‑Spec은 정적 분석으로 함수 호출 그래프(FCG)를 구축하고, 각 함수 내부를 데이터·제어 흐름 기반으로 여러 독립 슬라이스로 분할한다. 슬라이스는 변수 의존성을 기준으로 자동 추출되며, 루프·조건문 등 작은 단위가 되도록 설계된다. 이렇게 하면 LLM이 한 번에 처리해야 할 코드량이 크게 감소하고, 각 슬라이스에 집중함으로써 사양의 관련성(relevance)과 완전성(completeness)이 향상된다.

두 번째 약점은 검증 도구를 사양 필터링에 직접 사용하면, 도구가 제공하는 형식적 오류(예: 변수 변형 절에 대한 오탐) 때문에 논리적으로 올바른 사양까지 제거될 위험이 있다는 것이다. SLD‑Spec은 “LLM‑as‑a‑Judge” 아이디어를 차용해 논리 삭제(logical deletion) 단계에서 LLM 자체가 생성된 사양과 해당 슬라이스 코드를 비교·추론한다. 구체적으로는 (1) 관련 없는 사양 배제, (2) 사양 내용 이해, (3) 논리적 일관성 판단, (4) 최종 보존 사양 출력의 네 단계 프로세스를 수행한다. 이 과정은 검증 도구가 놓치는 의미적 오류를 보완하고, 과도한 사양 삭제를 방지한다.

실험에서는 두 개의 데이터셋(단순 프로그램·복잡 제어 흐름 프로그램)에서 AutoSpec과 SpecGen을 기준선으로 삼아 비교하였다. SLD‑Spec은 단순 데이터셋에서 51개 중 37개, 복잡 데이터셋에서 11개 중 10개의 프로그램을 성공적으로 검증했으며, 사양 수·정확도·관련성 모두 기존 방법보다 우수했다. 특히 슬라이스 단계는 사양의 수와 정확도를 크게 끌어올렸고, 논리 삭제 단계는 검증 성공률을 15‑20% 정도 상승시켰다.

한계점으로는 (1) 슬라이스 간 상호 의존성이 강한 경우 슬라이스 경계에서 정보 손실이 발생할 수 있다, (2) 논리 삭제 단계가 LLM의 추론 능력에 크게 의존하므로 LLM 품질이 낮으면 오히려 잘못된 사양을 남길 위험이 있다, (3) 슬라이스와 논리 삭제를 추가함에 따라 전체 파이프라인 실행 시간이 증가하지만, 논문에서는 검증 효율성 저하가 미미함을 보고한다. 향후 연구에서는 교차‑슬라이스 의존성 분석, 다중 LLM 앙상블을 통한 논리 판단 강화, 그리고 슬라이스 자동 최적화 기법을 탐색할 필요가 있다.